一种面向典型农村道路遥感提取的深度学习方法技术

本发明专利技术公开了一种面向典型农村道路遥感提取的深度学习方法，包括：

【技术实现步骤摘要】
一种面向典型农村道路遥感提取的深度学习方法


[0001]本专利技术涉及遥感影像农村道路提取
，尤其涉及一种面向典型农村道路遥感提取的深度学习方法
。

技术介绍

[0002]农村道路是我国道路交通体系的重要组成部分，也是支撑农村地区经济社会发展的重要基础
。
随着遥感技术的迅猛发展，遥感影像的空间分辨率高达米级
、
亚米级，其包含的地物细节信息也更加丰富，为农村道路的监测监管提供了有力的数据保障
。
同时，人工智能技术为快速
、
高效地提取农村道路提供了方法支撑
。
因此，利用智能化的模型在高分辨率遥感影像中对农村道路进行自动化提取，有助于及时
、
准确
、
高效地对农村道路数据进行获取与更新，助力我国农村振兴战略
。
[0003]与城市道路不同，农村道路具有背景复杂
、
路面细窄
、
蜿蜒曲折
、
易受遮挡等特点
。
在高分遥感影像中，其路面多数低于
10
个像素，提取较为困难
。
同时，在不同地形中，农村道路表现各异，例如平原地区的农村道路形状较为规整，但在高分影像中存在因边界像元混淆而产生模糊边界的现象，导致无法正确提取其边界；丘陵地带的农村道路常常表现为弯曲狭窄，易因树木等地物遮挡而出现断裂的情况，同时也因背景复杂存在边界不清晰的情况，从而难以准确刻画农村道路的边界
。
[0004]目前，道路提取的方法大致可以分为三类，第一类是基于像元的提取方法，主要利用道路的光谱特征和纹理特征来提取道路信息，但它无法对全局信息进行感知，易与光谱特征相似的地物产生混淆，影响最终提取精度；第二类是面向对象的提取方法，对影像整体分割后再提取道路，其效果优于第一类方法，但也存在一定的错分情况；第三类是基于深度学习的道路提取方法，能够自动学习影像中道路的特征，相比于前两类方法，在效率和精度上都有极大的提升，在道路提取领域得到广泛应用
。
学者们相继应用
CNN、FCN、U
‑
Net、LinkNet
等模型来进行道路提取：如
Zhang
等于
2018
年在
U
‑
Net
中通过增加残差模块以增加网络深度；贺浩等在
2019
年设计了一种编码
‑
解码结构来提取道路；金飞等在
2019
年构建了双
U
‑
Net
网络联合训练和形态学后处理方式来提取道路；
Lu
等在
2019
年设计了一个多任务学习模型来同时提取道路边界和中心线
。
虽然这些改进模型对道路提取有一定的效果，但是被树木
、
建筑物等遮挡的路面依然无法准确提取
。
并且上述模型主要针对城市道路，大多利用公用数据集探讨各改进模型的性能，而在路面遮挡严重
、
形状弯曲狭窄的农村道路中，这些模型的提取精度会更低
。
在农村道路的提取研究中，
Yi
等于
2020
年在
D
‑
linkNet
模型基础上构建
FD
‑
LinkNet
提取农村道路；
Yang
等在
2020
年通过生成对抗网络对农村道路进行提取；
Liu
等在
2023
年构建了一个轻量级动态添加网络用于农村地区的道路提取；袁翠霞等在
2023
年利用
U
‑
Net
在高分遥感影像中对高标准农田道路进行准确的提取；李朝奎在
2021
年结合空洞卷积和
CNN
模型结构，对长株潭城郊地区的农村道路进行提取，取得了一定的效果
。
但这些都是对单一区域的农村道路进行提取，而对不同地区或者地形差异大的农村道路进行高精度的提取还有待研究
。
[0005]利用深度学习方法对典型农村道路进行遥感提取存在两个难点，一个是被遮挡道路无法正确提取；另一个是模型对道路信息进行上采样还原时会造成棋盘效应，影响道路边界轮廓的准确提取
。
为此，本专利技术提出了一种面向典型农村道路遥感提取的深度学习方法，显著提升了典型农村道路的提取精度
。

技术实现思路

[0006]本专利技术需要解决的技术问题是：如何有效改善农村道路因背景复杂
、
路面细窄
、
蜿蜒曲折
、
易受遮挡等特点而导致遥感提取结果边界模糊和中断的问题，提供一种面向典型农村道路遥感提取的深度学习方法，在典型农村道路提取方面展现出优越性能
。
[0007]本专利技术解决其技术问题采用以下的技术方案：
[0008]本专利技术提供的一种面向典型农村道路遥感提取的深度学习方法，包括以下步骤：
[0009]步骤1：获取用于典型农村道路提取的高分辨率遥感影像，并进行预处理，包括辐射定标
、
大气校正
、
几何校正
、
波段融合；
[0010]步骤2：依据预处理后的高分遥感影像进行人工目视解译，获取道路矢量数据，并制作模型的训练与测试数据集；
[0011]步骤3：在
U
‑
Net
模型中加入优化残差模块
、
全局上下文注意力机制模块和
DUpsampling
模块，提出
GDU
‑
Net
模型；
[0012]步骤4：利用训练数据集进行模型训练，并将测试数据集输入到模型中，进行道路提取与结果评价
。
[0013]上述步骤2中，所述的依据预处理后的高分遥感影像进行人工目视解译，获取道路矢量数据，并制作模型的训练与测试的数据集，包括以下步骤：
[0014]步骤
21
：将预处理后的高分遥感影像数据，利用
ArcMap
软件中的矢量面构建方法绘制道路的矢量数据，非道路区域不进行绘制，获得研究区内的道路样本标签数据集；
[0015]步骤
22
：基于步骤
21
构建的样本数据集，利用
ArcMap
软件中的矢量转栅格工具将绘制的道路矢量数据转换为黑白二值图，农村道路为白色，非农村道路为黑色；
[0016]步骤
23
：为了便于模型输入，基于步骤
22
得到的二值图，将影像与标签数据裁剪为
M*M
大小；
[0017]步骤
24
：为了保证样本的均衡性，基于步本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种面向典型农村道路遥感提取的深度学习方法，其特征在于包括以下步骤：步骤1：获取用于典型农村道路提取的高分辨率遥感影像，并进行预处理，包括辐射定标
、
大气校正
、
几何校正
、
波段融合；步骤2：依据预处理后的高分遥感影像进行人工目视解译，获取道路矢量数据，并制作模型的训练与测试数据集；步骤3：在
U
‑
Net
模型中加入优化残差模块
、
全局上下文注意力机制模块和
DUpsampling
模块，提出
GDU
‑
Net
模型；步骤4：利用训练数据集进行模型训练，并将测试数据集输入到模型中，进行道路提取与结果评价
。2.
根据权利要求1所述的面向典型农村道路遥感提取的深度学习方法，其特征在于：步骤2中，所述的依据预处理后的高分遥感影像进行人工目视解译，获取道路矢量数据，并制作模型的训练与测试的数据集，包括以下步骤：步骤
21
：将预处理后的高分遥感影像数据，利用
ArcMap
软件中的矢量面构建方法绘制道路的矢量数据，非道路区域不进行绘制，获得研究区内的道路样本标签数据集；步骤
22
：基于步骤
21
构建的样本数据集，利用
ArcMap
软件中的矢量转栅格工具将绘制的道路矢量数据转换为黑白二值图，农村道路为白色，非农村道路为黑色；步骤
23
：为了便于模型输入，基于步骤
22
得到的二值图，将影像与标签数据裁剪为
M*M
大小；步骤
24
：为了保证样本的均衡性，基于步骤
23
得到的裁剪数据集，进行数据筛选，将每张影像中可能不存在或者仅包含极少一部分农村道路的图片进行剔除；步骤
25
：为了防止模型过拟合，提升模型鲁棒性，基于步骤
24
的数据集，采用图像旋转
、
图像翻转
、
随机添加噪声的方式进行数据增强处理，以扩充样本数据集，并按比例将数据集划分为训练数据集和测试数据集
。3.
根据权利要求1所述的面向典型农村道路遥感提取的深度学习方法，其特征在于：步骤3中，所述的在
U
‑
Net
模型中加入优化残差模块
、
全局上下文注意力机制模块和
DUpsampling
模块，提出
GDU
‑
Net
模型，具体包括以下步骤：步骤
31
：在
U
‑
Net
模型的基础上，选用
ResNet 34
作为模型的骨架，在模型编码器部分中加入优化残差模块，减少狭窄道路因模型运算过程导致的信息丢失问题而产生的漏提现象；步骤
32
：在各残差模块间引入全局上下文注意力机制，来捕获全局的道路信息以进一步增加被遮挡农村道路的提取率；步骤
33
：在模型解码器部分引入
DUpsampling
模块来准确恢复像素级的道路预测，减少“棋盘效应”导致道路边界模糊的情况；步骤
34
：模型使用
Adam
优化器和二分类交叉熵损失函数
。4.
根据权利要求3所述的面向典型农村道路遥感提取的深度学习方法，其特征在于：步骤
31
中，所述的优化残差模块通过改进原始残差模块得到，具体步骤如下：步骤
311
：将原始残差模块中的
ReLU
激活函数修改为
Mish
函数，减少信息的损失，有助于道路信息的提取；步骤
312
：将原始残差模块中的批处理归一化
BN
层修改为组归一化
GN
层，削弱模型的参
数
batch size
对最终道路提取精度的影响
。5.
根据权利要求3所述的面向典型农村道路遥感提取的深度学习方法，其特征在于：步骤
32
中，所述的引入全局上下文注意力机制包括以下步骤：步骤
321
：对输入特征图
F
进行上下文建模模块的计算，以获取全局信息关系向量；步骤
322...

【专利技术属性】
技术研发人员：吴浩，邓伟豪，谢君洋，吴紫薇，吴文斌，胡琼，
申请(专利权)人：华中师范大学，
类型：发明
国别省市：